matlablibsvm加強工具箱

『壹』 在matlab中導入libsvm工具箱時出現問題

這個問題還真不太清楚，我以前編譯libsvm的時候沒有遇到這種問題

我給你了一份我編譯好的libsvm，你試試看能不能用。
上傳到了
網盤
了：
http://d.namipan.com/d/

『貳』 怎麼用MATLAB下的libsvm工具箱畫最優分類面

只有線性可分的2維情況，才能畫出可視化圖。

高維無法可視化

線性不可分的，由於已經映射到高維空間，而且是採用核函數，本身的映射函數不可知，所以在原空間中無法畫出最優分類超平面。
但通過核函數映射後在 高維空間中的分類超平面的方程可知。

『叄』 請問Matlab的libsvm工具箱如何進行多元回歸

這個問題其實非常地簡單。
1、在Matlab裡面先做這樣一小段處理：

data = [
0.5 2 12 26 2 0.0476890000000000
0.5 3 14 28 4 0.0792965000000000
0.5 4 16 30 6 0.106723000000000
0.5 5 18 32 8 0.112500000000000
1 2 14 30 8 0.487650000000000
1 3 12 32 6 0.0955300000000000
1 4 18 26 4 0.336150000000000
1 5 16 28 2 0.202830000000000
1.5 2 16 32 4 1.18260000000000
1.5 3 12 30 2 0.273390000000000
1.5 4 18 28 8 0.784670200000000
1.5 5 14 26 6 0.487695000000000
2 2 18 28 6 1.41230000000000
2 3 16 26 8 0.934150000000000
2 4 14 32 2 0.181100000000000
2 5 12 30 4 1.08280000000000
];

x = data(:,1:end-1);
y = data(:,end);
% 上述處理即是將最後一列作為輸出，前n-1列全部作為輸入

2. 將 x, y 分別作為輸入和輸出放入svmtrain函數中訓練
3. 再在svmpredict函數中輸入x即可得出各個x對應的預測值y
註：這里的原理其實十分簡單，在libsvm中其實也是將所有變數都默認為了向量（或矩陣），所以你只管輸入的數據結構即可。

『肆』 求在MATLAB下編譯好（可以直接使用）的libsvm工具箱

以下兩種方法，我已經親測可用
方法1：可以在其他朋友的電腦上進行編譯，編譯完後直接把libsvmread.mexw64、libsvmwrite.mexw64、svmpredict.mexw64、svmtrain.mexw64復制到你自己的程序中即可運行。這種方法的弊端是不同的演算法程序中均需要復制一次。

方法2：把編譯完後的libsvmread.mexw64、libsvmwrite.mexw64、svmpredict.mexw64、svmtrain.mexw64這幾個文件添加到F:\MATLAB 2015a anzhuang\toolbox\libsvm-3.22\matlab下，即可

『伍』 如何在MATLAB中添加SVM函數工具箱

1. 打開matlab，點擊HOME中的"Set Path"選項。

   

『陸』 請教，如何在matlab下配置LIBsvm加強工具箱

第一步選n，會出來幾個compiler， Microsoft Visual C/C++ version 7.0， Microsoft Visual C/C++ version 6.0什麼的，選擇你的版本。注意執行mex的時候，matlab環境的路徑設置成你要安裝的libsvm的文件夾。實在不行換成matlabR2011a吧，好多東西都裝好在裡面了，還有一些demo什麼的可以參考。

『柒』 matlab使用libsvm工具箱回歸預測不準確，怎麼解決

得看你數據特徵是什麼 以及你svm用的參數是什麼
svm調參是一門學問，現在都不流行這個了
還有得看你數據是不是時間周期類型， 時間類型用普通的回歸做效果也不會很好

『捌』 Matlab除了matlab 還有其他更好用、智能提示的第三方的IDE嗎

【工具箱】
libsvm-3.1-[FarutoUltimate3.1Mcode]
其他名稱：libsvm-faruto版本，libsvm-faruto加強工具箱，libsvm-farutoUltimate版本
【更新說明】
libsvm-faruto版本好久都沒有更新了，近期我將代碼重新整理了一下，看到注釋中上次更新代碼的時間是2010.01.17，才發現libsvm-faruto版本已經一年多沒有添加進行更新，看著自己以前編寫的一行行代碼，心中不免想起過往那些逝去的歲月，想起過往的那些人，煽情的不多說，此次更新主要內容如下：
1.基於目前的最新的libsvm-3.1編寫。
2.對原來的部分代碼進行了重新優化。
3.添加ClassResult.m函數，方便給出各種分類准確率，以及給出判別函數的權值w、偏置b、支持向量在原始訓練集中的位置索引以及alpha系數。
給出這個函數的目的是方便大家，個人感覺這個函數會對相關朋友有很大幫助。
4.重新編寫說明文檔TutorialForFarutoUltimate3.1.pdf
由於libsvm回歸不支持多輸出，本來還想實現libsvm的多輸出（lssvm支持多輸出，但我詳細研究了一下lssvm也就是一維一維的進行回歸實現的多輸出，libsvm完全可以仿照這種形式實現多輸出），但後來又犯懶，因為實在沒有技術含量，就擱置了。如果實現有朋友需要就在後期的版本更新中添加吧。另外給大家做個預告，暑假期間我會製作一系列的關於libsvm工具箱和lssvm工具箱的視頻，完全免費下載。之前在我的那個專輯期刊中做過預告，這里權當造勢啦。O(∩_∩)O

『玖』 安裝了libsvm，matlab自帶的svmtrain怎麼用

1、  配置C環境：
在MATLAB中任意路徑下，輸入mex –setup
然後按步驟進行
2、  添加路徑
(1)    將libsvm工具箱復制到MATLAB的toolbox文件夾下
(2)    Set path-------Add withSubfolders,將libsvm的工具箱文件夾添加到路徑中
3、  編譯
將當前路徑設置為libsvm工具箱中的matlab文件夾下，輸入make即可。
此時，若直接調用svmtrain()，則用的還是MATLAB自帶的函數。

『拾』 如何在matlab里安裝libsvm包

1.下載好libsvm包
下載libsvm-3.21到隨意一個地方，比如到安裝路徑下的 toolbox下——D:\MATLAB\R2014A\toolbox\下，並解壓。
打開matlab，將libsvm-3.21\matlab 添加到路徑，比如將:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab 添加到路徑。
2.setup 第一次嘗試
若提示沒有C++編譯器，則根據提示的網址去下載 winsdk_web.exe，然後 雙擊運行winsdk_web.exe，安裝到最後若提示失敗，則去卸載自帶的visual studio 和 .netframework 4，然後再運行 winsdk_web.exe，提示缺少 .netframework 4，則自行下載安裝，反復運行 winsdk_web.exe。
直到運行 winsdk_web.exe 時出現如下圖所示情況，說明距成功更近一步了，

選擇 Change，下一步，

勾選上 visual C++ compilers 和 microsoft visual C++ 2010，下一步，

最後提示成功安裝。
2. setup
打開Matlab中，進入LIBSVM根目錄下的matlab目錄（如D:\MATLAB\R2014A\toolbox\libsvm-3.21），在命令窗口的輸入mex -setup 輸出為：
>>mex –setup

MEX 配置為使用 'Microsoft Windows SDK 7.1 (C)' 以進行 C 語言編譯。
Warning: The MATLAB C and Fortran API has changed to support MATLAB
variables with more than 2^32-1 elements. In the near future
you will be required to update your code to utilize the
new API. You can find more information about this at:

http://www.mathworks.com/help/matlab/matlab_external/upgrading-mex-files-to-use-64-bit-api.html.
要選擇不同的語言，請從以下選項中選擇一種命令:
mex -setup C++
mex -setup FORTRAN

繼續：
>> mex -setup C++
MEX 配置為使用 'Microsoft Windows SDK 7.1 (C++)' 以進行 C++ 語言編譯。
Warning: The MATLAB C and Fortran API has changed to support MATLAB
variables with more than 2^32-1 elements. In the near future
you will be required to update your code to utilize the
new API. You can find more information about this at:
http://www.mathworks.com/help/matlab/matlab_external/upgrading-mex-files-to-use-64-bit-api.html.

3.編譯
執行 make，輸出如下：
>> make
使用 'Microsoft Windows SDK 7.1 (C)' 編譯。
MEX 已成功完成。
使用 'Microsoft Windows SDK 7.1 (C)' 編譯。
MEX 已成功完成。
使用 'Microsoft Windows SDK 7.1 (C++)' 編譯。
找不到 D:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab\svmtrain.exp

找不到 D:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab\svmtrain.exp

MEX 已成功完成。
使用 'Microsoft Windows SDK 7.1 (C++)' 編譯。
找不到 D:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab\svmpredict.exp

找不到 D:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab\svmpredict.exp

MEX 已成功完成。
>>

4.重命名
忽略錯誤（找不到……），繼續，編譯完成後，在當前目錄下(libsvm-3.21/matlab下)會出現svmtrain.mexw64、svmpredict.mexw64 或者svmtrain.mexw32、svmpredict.mexw32 ，把文件名svmtrain和svmpredict 相應改成 libsvmtrain 和 libsvmpredict。
這是因為Matlab中自帶有SVM的工具箱，其函數名字就是svmtrain和svmpredict，和 libsvm 默認的名字一樣.
5.測試是否安裝成功libsvm
libsvm 軟體包中自帶有測試數據，即軟體包根目錄下的 heart_scale 文件。
在matlab運行代碼，輸出如下：
>> [heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
>> model = libsvmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
*
optimization finished, #iter = 134
nu = 0.433785
obj = -101.855060, rho = 0.426412
nSV = 130, nBSV = 107
Total nSV = 130
>> [predict_label, accuracy, dec_values] = libsvmpredict(heart_scale_label, heart_scale_inst, model);
Accuracy = 86.6667% (234/270) (classification)
>>

OK ，perfect ! Congratulations to you!
如果遇到：
>> [heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
Invalid MEX-file 'C:\Users\jiao\Documents\MATLAB\libsvm-3.20\matlab\libsvmread.mexw64': 找不到指定的模塊。

則把 D:\MATLAB\R2014A\toolbox\libsvm-3.21\matlab 文件夾添加到路徑就可以了。